【干货】10个基于 JavaScript 的机器学习演示
Brain是一个库，可以让用户轻松创建神经网络，然后根据输入/输出数据进行训练。虽然可以直接加载到网页上，但训练会占用大量资源，因此最好在Node.js环境中运行。在他们的网站上有一个演示，可以通过训练来识别颜色对比度。
项目地址：
/harthur-org/brain.js/
2. Deep playground
这是一个学习App，让用户玩转神经网络并探索其不同的组件。它有一个很好的UI界面，允许用户控制输入数据、神经元数量，以及使用哪种算法，或在最终结果中反映各种其他的指标。App中还可以挖掘许多深层的东西学习——代码是开源的，用Type编写，很好查阅，用户可以获取更多资源和用途。
项目地址：
/tensorflow/playground
3. FlappyLearning
FlappyLearning是一个Java项目，用大约800行未命名的代码创建，并在一个有趣的演示中实现的机器学习库，用户可以像一个行家一样玩转Flappy Bird。在这个库中使用的AI技术被称为Neuroevolution，其应用算法的灵感来自于自然界中发现的神经系统，从每次迭代的成功或失败中动态学习。该演示非常容易运行 ，只需在浏览器中打开index.html即可。
项目地址：
/xviniette/FlappyLearning
4. Synaptic
这可能是本文所有项目中最活跃的项目，Synaptic是一个与架构无关的Node.js和浏览器库，允许开发人员构建他们想要的任何类型的神经网络。它有一些内置的架构，可以快速测试和比较不同的机器学习算法。它还有一个很好的神经网络的书面介绍，一些实践演示，以及许多其他教程，揭示机器学习如何工作。
项目地址：
/cazala/synaptic
5. Land Lines
Land Lines是一个可以发现地球卫星图像的有趣的Chrome Web实验，页面类似于用户制作的涂鸦。App不需要进行服务器调用：它完全在浏览器中运行，并且由于机器学习和WebGL的巧妙使用，在移动设备上也具有出色的性能。
项目地址：
/ofZach/landlines
6. ConvNetJS
ConvNetJS虽然不再被积极地维护，但它是Java最先进的深度学习库之一。ConvNetJS最初由斯坦福大学开发，在GitHub上非常受欢迎，从而产生了许多社区驱动的新功能和教程。它直接在浏览器中工作，支持多种学习技术，而且操作简单，适用于在神经网络方面具有较多经验的人。
项目地址：
/web/showcase/2016/land-lines
7. Thing Translator
Thing Translator是一个Web实验，允许手机识别现实生活中的对象，并用不同的语言命名。这款App完全基于Web技术，并使用Google的两个机器学习API——Cloud Vision和Translate API。前者进行图像识别，后者进行自然语言翻译。
项目地址：
/dmotz/thing-translator
8. Neurojs
Neurojs是基于强化学习建立的人工智能系统框架。然而，该开源项目没有完整的文件记载，只有一个自动驾驶汽车的演示，不过对构成神经网络的不同部分有很好的描述。这个库纯粹使用Java，并应用了像webpack和babel这样的工具。
项目地址：
/janhuenermann/neurojs
9. Machine_learning
Machine_learning允许使用Java设置和训练神经网络。在Node.js和客户端都能简便安装，并且具有非常干净的API，适用于所有技能级别的开发人员。Machine_learning提供了许多实现流行算法的演示，帮助用户了解核心机器学习原理。
项目地址：
/junku901/machine_learning
10. DeepForge
DeepForge是一个用户界面友好的开发环境，用于深度学习。它允许用户使用简单的图形界面设计神经网络，支持远程机器上的培训模型，并内置版本控制。该项目在浏览器中运行，基于Node.js和MongoDB，其安装过程对大多数Web开发人员来说非常简单。
项目地址：
/deepforge-dev/deepforge
来源：tutorialzine
作者：Danny Markov
智能观 编译
责任编辑：
声明：本文由入驻搜狐号的作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。
今日搜狐热点如何使用JavaScript构建机器学习模型
作者:51cto
目前，机器学习领域建模的主要语言是 Python 和 R，前不久腾讯推出的机器学习框架 Angel 则支持 Java 和 Scala。本文作者 Abhishek Soni 则用行动告诉我们，开发机器学习模型，JavaScript 也可以。
JavaScript？我不是应该使用 Python 吗？甚至 Scikit-learn 在 JavaScript 上都不工作。
这是可能的，实际上，连我自己都惊讶于开发者对此忽视的态度。就 Scikit-learn 而言，Javascript 的开发者事实上已经推出了适用的库，它会在本文中有所提及。那么，让我们看看 Javascript 在机器学习上能够做什么吧。
根据人工智能先驱 Arthur Samuel 的说法，机器学习为计算机提供了无需明确编程的学习能力。换句话说，它使得计算机能够自我学习并执行正确的指令，无需人类提供全部指导。
谷歌已经把自己移动优先的策略转换到人工智能优先很久了。
为什么 JavaScript 在机器学习界未被提及过？
慢（真的假的？）
矩阵操作很困难（这里有库，比如 math.js）
仅用于 Web 开发（然而这里还有 Node.js）
机器学习库通常是在 Python 上的（还好，JS 的开发者人数也不少）
在 JavaScript 中有一些可供使用的预制库，其中包含一些机器学习算法，如线性回归、SVM、朴素贝叶斯等等，以下是其中的一部分。
brain.js（神经网络）
Synaptic（神经网络）
Natural（自然语言处理）
ConvNetJS（卷积神经网络）
mljs（一组具有多种功能的子库）
首先，我们将使用 mljs 回归库来进行一些线性回归操作。
参考代码：/abhisheksoni27/machine-learning-with-js
$ npm install ml-regression csvtojson
$ yarn add ml-regression csvtojson
ml-regression 正如其名，负责机器学习的线性回归。
csvtojson 是一个用于 node.js 的快速 CSV 解析器，它允许加载 CSV 数据文件并将其转换为 JSON。
2. 初始化并加载数据
下载数据文件（.csv），并将其加入你的项目。
链接：http://www-bcf.usc.edu/~gareth/ISL/Advertising.csv
如果你已经初始化了一个空的 npm 项目，打开 index.js，输入以下代码。
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression
const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
X = [], // Input
y = []; // Output
let regressionM
我把文件放在了项目的根目录下，如果你想放在其他地方，请记得更新 csvFilePath。
现在我们使用 csvtojson 的 fromFile 方法加载数据文件：
.fromFile(csvFilePath)
.on('json', (jsonObj) =& {
csvData.push(jsonObj);
.on('done', () =& {
dressData(); // To get data points from JSON Objects
performRegression();
3. 打包数据，准备执行
JSON 对象被存储在 csvData 中，我们还需要输入数据点数组和输出数据点。我们通过一个填充 X 和 Y 变量的 dressData 函数来运行数据。
function dressData() {
* One row of the data object looks like:
Radio: &100&,
Newspaper: &20&,
&Sales&: &1000&
* Hence, while adding the data points,
* we need to parse the String value as a Float.
csvData.forEach((row) =& {
X.push(f(row.Radio));
y.push(f(row.Sales));
function f(s) {
return parseFloat(s);
4. 训练模型开始预测
数据已经打包完毕，是时候训练我们的模型了。
为此，我们需要写一个 performRegression 函数：
function performRegression() {
regressionModel = new SLR(X, y); // Train the model on training data
console.log(regressionModel.toString(3));
predictOutput();
performRegression 函数有一个方法 toString，它为浮点输出获取一个名为 precision 的参数。predictOutput 函数能让你输入数值，然后将模型的输出传到控制台。它是这样的（注意，我使用的是 Node.js 的 readline 工具）：
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) =& {
console.log(`At X = ${answer}, y =
${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
以下是为了增加阅读用户的代码
const readline = require('readline'); // For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
5. 大功告成！
遵循以上步骤，你的 index.js 应该是这样：
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // Simple Linear Regression
const csvFilePath = 'advertising.csv'; // Data
let csvData = [], // parsed Data
X = [], // Input
y = []; // Output
let regressionM
const readline = require('readline'); // For user prompt to allow predictions
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
.fromFile(csvFilePath)
.on('json', (jsonObj) =& {
csvData.push(jsonObj);
.on('done', () =& {
dressData(); // To get data points from JSON Objects
performRegression();
function performRegression() {
regressionModel = new SLR(X, y); // Train the model on training data
console.log(regressionModel.toString(3));
predictOutput();
function dressData() {
* One row of the data object looks like:
Radio: &100&,
Newspaper: &20&,
&Sales&: &1000&
* Hence, while adding the data points,
* we need to parse the String value as a Float.
csvData.forEach((row) =& {
X.push(f(row.Radio));
y.push(f(row.Sales));
function f(s) {
return parseFloat(s);
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) =& {
console.log(`At X = ${answer}, y =
${regressionModel.predict(parseFloat(answer))}`);
predictOutput();
到你的终端上运行 node index.js，得到的输出会是这样：
$ node index.js
f(x) = 0.202 * x + 9.31
Enter input X for prediction (Press CTRL+C to exit) : 151.5
At X = 151.5, y =
Enter input X for prediction (Press CTRL+C to exit) :
恭喜！你刚刚在 JavaScript 中训练了第一个线性回归模型。（PS. 你注意到速度了吗？）
官方微博/微信
每日头条、业界资讯、热点资讯、八卦爆料，全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与，TechWeb官方微博期待您的关注。
↑扫描二维码
想在手机上看科技资讯和科技八卦吗？想第一时间看独家爆料和深度报道吗？请关注TechWeb官方微信公众帐号：1.用手机扫左侧二维码；2.在添加朋友里，搜索关注TechWeb。
今天深夜，一加年度旗舰将在纽约进行全球发布会。由于老外不走心的提前偷跑，这款手机...
今年手机圈最火的词应该就是全面屏了，各大厂商纷纷发力这一领域，全面屏手机的发布会...
老罗的锤子科技终于快要成了，新款坚果Pro 2也是博得满堂彩，叫好又叫座。现在，新机...
监管文件显示，科斯罗萨西周四通知纽约时报公司董事会，他将因为出任Uber的新职位而卸...
北京时间10月30日早间消息，Uber上周五宣布任命一名新的首席法务官，帮助该公司应对诸...
一名美国法官已责令进行一项新的审判，目的是判定三星应因其抄袭苹果公司iPhone外观设...
工信部今天发布了2017年第三季度电信服务质量通告，并特别公布了问题APP黑名单，31款A...
腾讯今天发布了PC QQ的最新正式版本8.9.6，编译版本号Build 22404，整体变化并不大，...
早在上个月，华为就已启动Mate 9/Mate 9 Pro的安卓8.0内测，彼时内测名额很少。华为Ma...
王者荣耀马可波罗重做带真实伤害，被动技能加强了不止一点。下面就来一起看下吧。......
光荣使命游戏专业术语有哪些，这种游戏关键时刻一般都只发游戏术语与黑话，那一起看下......
苍蓝境界维拉怎么样，苍蓝境界维拉技能介绍。维拉属于治疗型五星角色，一起看下吧。......
《绝地求生大逃杀》中的四排是需要有一些战术策略的，这样团队合作才能发挥出较好的效......
Copyright (C)
All rights reserved.
请选择一张图片分享
要转发到新浪微博，请
要转发到QQ空间，请点击阅读原文
开启基于JavaScript的机器学习之路 | 机器学习与JavaScript（一）
6月30日 发布，来源：
翻译 | 徐进
审校 | 薛命灯
基于 JavaScript 的机器学习？！没错，是 基于 JavaScript 的机器学习！关注前端之巅系列文章——《机器学习与 JavaScript》，利用 JavaScript 开启机器学习之路！
基于 JavaScript 的机器学习？ 你应该觉得基于 JavaScript 的机器学习不简单吧？
JAVASCRIPT？！我难道不应该用 Python 么？我难道要用 JavaScript 去做如此复杂的运算？难道我不应该使用 Python 或者 R 语言么？scikit-learn 算法库会不会不能在 JavaScript 中使用？简单来说：基于 JavaScript 的机器学习完全没有问题。
详细来讲，基于 JavaScript 的机器学习是有可能的，并且我总是很吃惊为什么开发者们没有给予它应有的关注。就 scikit-learn 算法库而言，JavaScript 开发者已经开发了一系列实现该算法的库，一会儿就会用到一个库。接下来会先讲一点机器学习的知识，然后就放松心情一起来看代码吧。
据 Arthur Samuel 所讲，机器学习 就是在不对其进行具体编程的情况下，使计算机拥有学习的能力。换句话说，它在我们不操作计算机的情况下，却能拥有自我学习的能力，并能执行正确的指令。并且谷歌公司已经将策略从移动优先转变为 AI 优先很长一段时间了。
为什么在机器学习领域没有提到 JavaScript 呢？
JavaScript 很慢。（完全错误的观念 !?! ）
JavaScript 很难进行矩阵操作。（但是有很多库的，比如math.js ）
JavaScript 仅仅被认为是用来做 web 开发的。（Node.js 默默的笑了）
机器学习中很多库都是基于 Python 开发的。（那是因为 JavaScript 开发者并没有在场）
现在已经有很多的 JavaScript 库了，它们已经预定义了机器学习算法，比如：线性回归、支持向量机、朴素贝叶斯算法等，以下列出了几个库：
brain.js（神经网络）
Synaptic（神经网络）
Natural（自然语言处理）
ConvNetJS（卷积神经网络）
mljs（一种具有多个函数方法的子库）
开启 JavaScript 的机器学习之路 我将使用mljs的回归库来执行线性回归模型的分析。全部代码都在 Github 上：machine-learning-with-js（/abhisheksoni27/machine-learning-with-js ）。
第一步. 安装依赖的库
$ yarn add ml-regression csvtojson
或者你更喜欢 npm：
$ npm install ml-regression csvtojson
ml-regression所做的事正如它的名字那样，机器学习线性回归库。
csvtojson是在node.js环境中的一个cvs数据解析器，它可以在你加载完cvs 数据后将其快速的转换为JSON。
第二步. 初始化依赖库并加载数据
首先从 这里 下载数据文件，并将数据文件放在你的工程目录中。假设你已经初始化了一个空的 npm 工程，打开index.js文件，并输入以下代码：（你可以直接复制 / 粘贴，但为了能够更好的理解它，建议你能亲自输入这段代码）
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // 简单线性回归
const csvFilePath = 'advertising.csv'; // 数据文件
let csvData = [], // 已解析的数据
X = [], // 输入
y = []; // 输出
let regressionM
我把这个文件放在了项目的根目录下，因此如果你放在了别的目录下，请同时更改上述代码中的csvFilePath变量。
这样的代码看起来相当整洁，不是么？
接下来使用csvtojson库的fromFile方法加载数据文件。
.fromFile(csvFilePath)
.on('json', (jsonObj) =& {
csvData.push(jsonObj);
.on('done', () =& {
dressData(); // 从 JSON 对象中获取数据点
performRegression();
第三步. 将数据加以装饰，以准备开始执行
保存在csvData变量中的 JSON 对象已经准备好了，同时还分别需要一个数组，用来存储输入点数据和输出点数据。然后将通过dressData函数来运行数据，且dressData函数将会计算出X和Y变量。
function dressData() {
* 一个数据对象应该这样:
Radio: "100",
Newspaper: "20",
"Sales": "1000"
* 因此，在添加数据点的同时，
* 我们需要将 String 类型的值解析为 Float 类型。
csvData.forEach((row) =& {
X.push(f(row.Radio));
y.push(f(row.Sales));
function f(s) {
return parseFloat(s);
第四步. 训练模型，并开始进行预测
现在数据已经装饰好了，是时候来训练模型了。
为了实现这一目标，我们需要一个performRegression函数：
function performRegression() {
regressionModel = new SLR(X, y); // 基于训练数据来训练模型
console.log(regressionModel.toString(3));
predictOutput();
regressionModel有一个toString方法，它所接收的参数代表输出值浮点数的精度。
predictOutput方法能够接收所输入的值，并且向终端输出所预测的值。
以下就是这个函数的代码：（这里使用了node.js的readline模块）
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) =& {
console.log(`At X = $, y =
predictOutput();
以下代码读取了用户的输入值：
const readline = require('readline'); // 同时预测用户的输入值
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
第五步. 恭喜你！做到了。
如果你跟着我一步一步的做，现在你的index.js文件应该是这样子的：
const ml = require('ml-regression');
const csv = require('csvtojson');
const SLR = ml.SLR; // 简单线性回归
const csvFilePath = 'advertising.csv'; // 数据
let csvData = [], // 已解析的数据
X = [], // 输入
y = []; // 输出
let regressionM
const readline = require('readline'); // 同时预测用户的输入值
const rl = readline.createInterface({
input: process.stdin,
output: process.stdout
.fromFile(csvFilePath)
.on('json', (jsonObj) =& {
csvData.push(jsonObj);
.on('done', () =& {
dressData(); // 从 JSON 对象中获取数据点
performRegression();
function performRegression() {
regressionModel = new SLR(X, y); // 基于训练数据来训练模型
console.log(regressionModel.toString(3));
predictOutput();
function dressData() {
* 一个数据对象应该这样：
Radio: "100",
Newspaper: "20",
"Sales": "1000"
* 因此，在添加数据点的同时，
* 我们需要将 String 类型的值解析为 Float 类型。
csvData.forEach((row) =& {
X.push(f(row.Radio));
y.push(f(row.Sales));
function f(s) {
return parseFloat(s);
function predictOutput() {
rl.question('Enter input X for prediction (Press CTRL+C to exit) : ', (answer) =& {
console.log(`At X = $, y =
predictOutput();
打开终端，输入并运行node index.js，它将会输出如下所示内容：
$ node index.js
f(x) = 0.202 * x + 9.31
Enter input X for prediction (Press CTRL+C to exit) : 151.5
At X = 151.5, y =
Enter input X for prediction (Press CTRL+C to exit) :
恭喜你！刚刚用 JavaScript 训练了你的第一个线性回归模型。（你有注意到它的速度么？）
PS: 我将使用 ml 和其他的库（上面所列出的那些）在各种数据集上执行目前比较流行的机器学习算法。请时刻关注我的动态，获取最新的机器学习教程。
感谢你的阅读！ 如果你喜欢这篇文章的话，请为我点赞，以让别人知道 JavaScript 是多么的强大，以及为什么在机器学习领域中 JavaScript 不应该落后。
英文原文链接 Machine Learning with JavaScript : Part 1
/machine-learning-with-javascript-part-1-9b97f3ed4fe5
注：本文翻译及转载均已获得作者授权。
点击下方图片即可阅读
前端每周清单第 19 期： Vue 的优势与劣势；Node.js 有望超越 Java；JS 在嵌入式及物联网的应用现状
推荐一个不可错过的会议：ArchSummit 全球架构师峰会，邀请了上百位国内外顶尖技术专家前来分享各业务的核心架构设计，从 Web 协议底层优化到超级 App 的系列魔改，这里只谈最优秀的架构实践。
距离大会 7 月 7 日开幕仅剩两周时间，点击“阅读原文”可获取 100+ 落地案例，如需报名，可直接识别下方二维码联系大会售票天使豆包，欢迎骚扰~！
「前端之巅」是 InfoQ 旗下关注前端技术的垂直社群，加入前端之巅学习群请关注「前端之巅」公众号后回复“加群”。投稿请发邮件到 q.com，注明“前端之巅投稿”。
我要该，理由是：
关闭理由：
删除理由：
忽略理由：
推广（招聘、广告、SEO 等）方面的内容
与已有问题重复（请编辑该提问指向已有相同问题）
答非所问，不符合答题要求
宜作评论而非答案
带有人身攻击、辱骂、仇恨等违反条款的内容
无法获得确切结果的问题
非开发直接相关的问题
非技术提问的讨论型问题
其他原因（请补充说明）10 个基于 JavaScript 的机器学习实例 - 简书
10 个基于 JavaScript 的机器学习实例
10 个基于 JavaScript 的机器学习实例
随着人工智能技术的发展，机器学习越来越受到开发者们的关注，从而也导致了机器学习库如雨后春笋般的涌现出来，而且没有任何放缓的趋势。虽然，传统意义上 Python 已经成为了最受欢迎的机器学习语言。但目前神经网络可在任何编程语言中运行，当然也包括 JavaScript！
近来，Web 生态系统取得了重大的进展。尽管 JavaScript 和 Node.js 的性能要比 Python 和 Java 的性能差，但它们已经能够应对机器学习中的许多问题。同时，Web 编程语言也具有很强的易用性，即你只要搞定了 Web 浏览器，那么运行 JavaScript ML 项目就不是个事儿。
虽然，大多数 JavaScript 机器学习库都是“新轮子”，有的甚至还在研发中，但并不会影响你的使用。在这篇文章中，我们将与你分享这些库，以及一些很酷的 AI Web 应用程序实例，帮助你开启机器学习之旅。
Brain 是一个可以让你轻松创建神经网络的库，并可通过输入/输出数据进行训练。尽管，它可以直接在浏览器网页上运行，但是训练的过程会占用大量的资源，因此最好在 Node.js 环境中启动它。另外，在他们网站上还有一个用于训练识别色彩对比度的，你也可以了解下。
项目地址：【】
这是由 TensorFlow 出品的可视化的神经网络交互式学习程序。它可以带你了解神经网络，并探索其不同的组件。它不仅有一个漂亮的用户界面，而且通过控制数据、神经元数量、使用算法的类别以及各项其他的指标，让你能够直观、实时的了解其运行的状态。另外，由于它是开源的（它用 TypeScript 编写，并具备优质的文档可查阅），所以通过了解其项目背景，你还能够学到更多有价值的知识。
项目地址：【】
FlappyLearning 是一个仅用 800 行代码创建的 JavaScript 机器学习库，它让你可以像行家一样玩转 游戏。在这个库中所使用的 AI 技术被称为“”，而它所应用算法的灵感则源于自然界生物神经系统的进化，并且它可以从每次成功或失败的迭代中进行动态的学习。另外，你只需要在浏览器中打开 index.html 就可以运行它了，炒鸡简单。
项目地址：【】
这个项目可能是本文所有项目中最活跃的项目了。Synaptic 是一个 Node.js 和浏览器可用的库。虽然它的架构未知，但开发人员可以通过它来构建任何类型的神经网络。它也具备一些内置架构，使它能够快速的测试，并能针对不同的机器学习算法进行比较。同时，它的使用文档丰富且全面，包含了神经网络的基本介绍、一些实用的演示，以及相应的使用教程。
项目地址：【】
Land Lines 是一个有趣的 Chrome Web 实验。用户通过在页面上涂鸦，来发现地球上的卫星图像。它可以完全在浏览器中运行，无需服务器端的调用。同时，由于机器学习和 WebGL 的巧妙使用，即使在移动设备上它也有出色的表现。如果你对它比较感兴趣，也可以在上查看其源码，或者在阅读整个案例研究。
项目地址：【】
虽然，此项目不再积极维护，但 ConvNetJS 却是基于 JavaScript 最先进的深度学习库之一。最初它是由斯坦福大学开发的项目，随着在 GitHub 上的流行，许多社区开始驱动了其新的特性，并撰写了相关的教程。它可以直接在浏览器中工作，支持多种学习技术，而且操作简单，适合神经网络进阶者学习。
项目地址：【】
Thing Translator 是一个 Web 实验，让你可以通过手机来识别实物，并可用不同的语言为它们命名。这款应用程序完全基于 Web 技术构建，并整合了 Google 的两种机器学习 API，即用于图像识别的和用于自然语言翻译的。
项目地址：【】
这是一个基于强化学习的人工智能系统框架。遗憾的是，这个开源项目并没有合适的文档。但其中一个自动驾驶汽车的演示，却对组成神经网络的不同部分有很好的描述。这个库仅通过 JavaScript 实现，并应用了和。
项目地址：【】
Machine_learning 是一个仅通过 JavaScript 便可设置和训练神经网络的库。无论是在 Node.js，还是客户端上，它都易于安装，并且具备非常干净的 API，适合任何技术级别的开发者进行学习。同时，该库还提供了许多现成的流行算法，帮助你了解核心的机器学习原理。
项目地址：【】
DeepForge 是一个对于用户友好的深度学习开发环境。有了它，你可以使用简单的图形界面对神经网络进行设计，同时它还支持远程机器的训练模型，并且内置了版本控制。它基于 Node.js 和 MongoDB，可在浏览器中运行。对于大多数 Web 开发者来说，它的安装过程也会相当的简单。
项目地址：【】
这是由 Burak Kanber 发表的，主要介绍了一些机器学习基础知识。这些教程专门针对 JavaScript 开发人员，而且写得比较透彻。如果你想更深入地了解机器学习，不妨看一看。
虽然，基于 JavaScript 的机器学习生态体系还在不断的发展，但本文推荐的这些资源，能够帮助你开启机器学习的体验之旅，并对其核心技术有所了解。正如文章中的实例所示，你只需通过浏览器和一些熟知的 JavaScript 代码就能体会到机器学习的极大乐趣。
感谢你的阅读。若你有所收获，欢迎点赞与分享。
本文版权归原作者所有，仅用于学习与交流；
若出现打不开网页的情况，请自备梯子；
如需转载译文，烦请按下方注明出处信息，谢谢！
英文原文：作者：Danny Markov译者：译文地址：
编程学习分享者，专注前端。
微博与微信：【IT程序狮】}